論文の概要: Zero Shot Domain Generalization

• arxiv url: http://arxiv.org/abs/2008.07443v1
• Date: Mon, 17 Aug 2020 16:04:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-28 03:18:03.126536
• Title: Zero Shot Domain Generalization
• Title（参考訳）: ゼロショットドメイン一般化
• Authors: Udit Maniyar, Joseph K J, Aniket Anand Deshmukh, Urun Dogan, Vineeth N Balasubramanian
• Abstract要約: ドメイン一般化(DG)メソッドは、複数のドメインのデータに基づいてトレーニングされた場合、新しい未知のドメインに一般化するモデルを学習しようとする。 我々は、この問題をゼロショット領域の一般化(私たちの知る限り、最初のそのような取り組み)として紹介し、モデルが新しいドメインとそれらのドメインの新しいクラスにまたがる一般化を行う。 本稿では,クラスの意味情報を効果的に活用し,ゼロショット領域一般化の要求を満たすために既存のDG手法を適用するための簡単な戦略を提案する。
• 参考スコア（独自算出の注目度）: 20.539932947127266
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Standard supervised learning setting assumes that training data and test data come from the same distribution (domain). Domain generalization (DG) methods try to learn a model that when trained on data from multiple domains, would generalize to a new unseen domain. We extend DG to an even more challenging setting, where the label space of the unseen domain could also change. We introduce this problem as Zero-Shot Domain Generalization (to the best of our knowledge, the first such effort), where the model generalizes across new domains and also across new classes in those domains. We propose a simple strategy which effectively exploits semantic information of classes, to adapt existing DG methods to meet the demands of Zero-Shot Domain Generalization. We evaluate the proposed methods on CIFAR-10, CIFAR-100, F-MNIST and PACS datasets, establishing a strong baseline to foster interest in this new research direction.
• Abstract（参考訳）: 標準教師付き学習設定は、トレーニングデータとテストデータが同じ分布(ドメイン)から来ると仮定する。 ドメイン一般化(DG)メソッドは、複数のドメインのデータに基づいてトレーニングされた場合、新しい未知のドメインに一般化するモデルを学習しようとする。 DGをさらに難しい設定に拡張し、目に見えないドメインのラベル空間も変更できます。 我々は、この問題をゼロショット領域の一般化(私たちの知る限り、最初のそのような取り組み)として紹介し、モデルが新しいドメインとそれらのドメインの新しいクラスにまたがる一般化を行う。 本稿では,クラスの意味情報を効果的に活用し,ゼロショットドメイン一般化の要求を満たすために既存のdgメソッドを適用するシンプルな戦略を提案する。 提案手法をCIFAR-10, CIFAR-100, F-MNIST, PACSデータセット上で評価し, 本研究への関心を高めるための強力なベースラインを確立する。

関連論文リスト

• Federated Domain Generalization: A Survey [12.84261944926547]
  機械学習では、データはさまざまなデバイス、組織、エッジノードに分散されることが多い。 この課題に応えて、連邦領域の一般化への関心が高まっている。 本稿では,この領域における最近の進歩に関する最初の調査について述べる。
  論文  参考訳（メタデータ） (2023-06-02T07:55:42Z)
• Domain-Unified Prompt Representations for Source-Free Domain Generalization [6.614361539661422]
  ドメインの一般化は、汎用人工知能に対する確実な方法だ。 既存の手法では、オープンワールドシナリオにおいて多様なドメインにスケールすることは困難である。 本稿では,大規模視覚言語事前学習モデルに基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2022-09-29T16:44:09Z)
• Compound Domain Generalization via Meta-Knowledge Encoding [55.22920476224671]
  マルチモーダル分布を再正規化するために,スタイル駆動型ドメイン固有正規化(SDNorm)を導入する。 組込み空間における関係モデリングを行うために,プロトタイプ表現,クラスセントロイドを利用する。 4つの標準ドメイン一般化ベンチマークの実験により、COMENはドメインの監督なしに最先端のパフォーマンスを上回ることが判明した。
  論文  参考訳（メタデータ） (2022-03-24T11:54:59Z)
• Unsupervised Domain Generalization for Person Re-identification: A Domain-specific Adaptive Framework [50.88463458896428]
  ドメイン一般化(DG)は近年,人物再同定(ReID)において注目されている。 既存のメソッドは通常、ソースドメインにラベルを付ける必要があります。 本稿では、単純で効率的なドメイン固有適応化フレームワークを提案し、適応正規化モジュールで実現する。
  論文  参考訳（メタデータ） (2021-11-30T02:35:51Z)
• Reappraising Domain Generalization in Neural Networks [8.06370138649329]
  機械学習アルゴリズムのドメイン一般化(DG)は、複数のトレーニング分布からドメインに依存しない仮説を学習する能力として定義される。 経験的リスク最小化(ERM)ベースラインは,既存のDG手法を一貫して上回っていることがわかった。 そこで我々は,各クラスに対してランダムにドメインを選択して,それをテスト用として保持する,クラスワイズDGの定式化を提案する。
  論文  参考訳（メタデータ） (2021-10-15T10:06:40Z)
• Towards Data-Free Domain Generalization [12.269045654957765]
  異なるソースデータドメインでトレーニングされたモデルに含まれる知識は、どのようにして単一のモデルにマージされるのか? 以前のドメインの一般化手法は、典型的にはソースドメインデータの使用に依存しており、プライベートな分散データには適さない。 DeKANは、利用可能な教師モデルからドメイン固有の知識を抽出し、融合し、ドメインシフトに頑健な学生モデルに変換するアプローチである。
  論文  参考訳（メタデータ） (2021-10-09T11:44:05Z)
• COLUMBUS: Automated Discovery of New Multi-Level Features for Domain Generalization via Knowledge Corruption [12.555885317622131]
  ここでは、ソースドメインの集合で訓練されたモデルが、データに触れることなく、目に見えないドメインでうまく一般化されることを期待する領域一般化問題に対処する。 コロンバス(Columbus)は、最も関連性の高い入力とマルチレベルのデータ表現を対象とする汚職によって、新機能の発見を強制する手法である。
  論文  参考訳（メタデータ） (2021-09-09T14:52:05Z)
• Inferring Latent Domains for Unsupervised Deep Domain Adaptation [54.963823285456925]
  Unsupervised Domain Adaptation (UDA)は、ラベル付きデータが利用できないターゲットドメインでモデルを学習する問題を指す。 本稿では,視覚データセット中の潜在ドメインを自動的に発見することにより,udaの問題に対処する新しい深層アーキテクチャを提案する。 提案手法を公開ベンチマークで評価し,最先端のドメイン適応手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-03-25T14:33:33Z)
• Domain Generalization: A Survey [146.68420112164577]
  ドメイン一般化(DG)は、モデル学習にソースドメインデータを使用するだけでOOD一般化を実現することを目的としています。 初めて、DGの10年の開発をまとめるために包括的な文献レビューが提供されます。
  論文  参考訳（メタデータ） (2021-03-03T16:12:22Z)
• Model-Based Domain Generalization [96.84818110323518]
  本稿では,モデルベースドメイン一般化問題に対する新しいアプローチを提案する。 我々のアルゴリズムは、最新のwildsベンチマークの最先端手法を最大20ポイント上回った。
  論文  参考訳（メタデータ） (2021-02-23T00:59:02Z)
• Cluster, Split, Fuse, and Update: Meta-Learning for Open Compound Domain Adaptive Semantic Segmentation [102.42638795864178]
  セマンティックセグメンテーションのための原則的メタラーニングに基づくOCDAアプローチを提案する。 対象ドメインを複数のサブターゲットドメインに,教師なしの方法で抽出した画像スタイルでクラスタリングする。 その後、メタラーニングがデプロイされ、スタイルコードに条件付きでサブターゲットドメイン固有の予測を融合するように学習される。 モデルに依存しないメタラーニング(MAML)アルゴリズムにより,モデルをオンライン更新することを学び,一般化をさらに改善する。
  論文  参考訳（メタデータ） (2020-12-15T13:21:54Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。